推荐系统文档（持续更新）

推荐概念

信息过滤系统解决信息过载用户需求不明确的问题

• 利用一定的规则将物品排序展示给需求不明确的用户

推荐搜索区别

• 推荐个性化较强，用户被动的接受，希望能够提供持续的服务
• 搜索个性化弱，用户主动搜索，快速满足用户的需求

推荐和web项目区别

• 构建稳定的信息流通通道
• 推荐信息过滤系统
• web对结果有明确预期
• 推荐结果是概率问题

Lambda架构介绍

• 离线计算和实时计算共同提供服务的问题

• 离线计算优缺点

  • 优点 能够处理的数据量可以很大比如pb级别
  • 缺点 速度比较慢分钟级别的延迟

• 实时计算

  • 优点 响应快来一条数据处理一条 ms级别响应
  • 缺点 处理的数据量小一些

• 离线计算的框架

  • hadoop
  • spark core , spark sq|
  • hive

• 实时计算框架

  • spark streaming
  • storm
  • flink

• 消息中间件

  • flume日志采集系统
  • kafka 消息队列

• 存储相关

  • hbase noq|数据库
  • hive sq|操作hdfs数据

• 推荐算法框架

  • 召回->排序->策略调整

推荐算法架构

• 召回
  • 协同过滤
    • 算相似度 memory base
    • 基于模型的 model base 矩阵分解
  • 基于内容
    • 分词
    • 词权重（提取关键词）tf-idf
    • word2Vec 词向量
    • 物品向量
• 排序
  • 逻辑回归
• 策略调整

推荐模型构建流程

• 数据收集
  • 显性评分
  • 隐性数据
• 特征工程
  • 协同过滤:用户-物品 评分矩阵
  • 基于内容:分词tf-idf word2Vec
• 训练模型
  • 协同过滤
    • KNN
    • 矩阵分解 梯度下降
• 评估、模型上线

协同过滤思路介绍

CF（collaborative filtering ）物以类聚人以群分，做协同过滤的话首先特征工程把用户-物品的评分矩阵创建出来

• 基于用户的协同过滤

  1. 给用户A找到最相似的N个用户
  2. N个用户消费过哪些物品
  3. N个用户消费过的物品中-A用户消费过的就是推荐结果

• 基于物品的协同过滤

  1. 给物品A找到最相似的N个物品
  2. A用户消费记录找到这些物品的相似物品
  3. 从这些相似物品先去重-A用户消费过的就是推荐结果

相似度计算

• 余弦相似度、皮尔逊相关系数（矩阵需稠密型、连续型）

  • 向量的夹角余弦值
  • 皮尔逊会对向量的每一个分量做中心化
  • 余弦只考虑方向不考虑向量长度
  • 如果评分数据是连续的数值比较适合中，余弦、皮尔逊计算相似度

• 杰卡德相似度

  • 交集/并集
  • 计算评分是0、1布尔值的相似度

• 使用不同相似度计算方式实现协同过滤

  1. 如果买/没买点/没点数据0/1适合使用杰卡德相似度

     from sklearn.metrics import jaccard_score

     jaccard_score(df[ltemA]df[ltemB’])

     from sklearn.metrics.pairwise import pairwise_distances

     user_ similar= 1-pairwise_distances(df.value,metric="jaccard)

  2. 一般用评分去做协同过滤推荐使用皮尔逊相关系数，评分预测基于用户和基于物品的协同过滤严格上说，属于两种算法,实践中可以都做出来，对比效果，选择最靠谱的

皮尔逊相关系数案例

杰卡德相关系数案例

协同过滤基于模型的算法

1. 用户-物品矩阵比较稀疏的时候，直接去取物品向量、用户向量，计算相似度不太适合
2. 基于模型的方法可以解决用户-物品矩阵比较稀疏的问题
3. 矩阵分解
   1. 把大的矩阵拆成两个小的 用户矩阵、物品矩阵 MxK KxN K<<M K<<N
   2. 大矩阵 约等于 用户矩阵 乘 物品矩阵
   3. 使用als（交替最小二乘法）来优化损失 spark ML recommandation 包封装了als
   4. 优化之后的用户矩阵 取出用户向量
   5. 优化之后的物品矩阵 取出物品向量
   6. 用户向量点乘物品向量 得到最终评分的预测

推荐系统的评价

• 准确率 覆盖率
  • 准确率
    • 学术 点击率、预估精准率 平均绝对误差（MAE）、均方误差根（RMSE）、标准化平均误差（NMAE）；以及覆盖率（Coverage）
    • 工程A/B test对比不同的算法在线上运行对关键指标的影响
• EE
  • Exploitation & Exploration探索与利用问题
  • Exploitation 利用用户的历史行为只给他曾经看过的/消费过的相似物品
  • Exploration(探测 搜索)发现用户的新兴趣
  • ee问题实际上是矛盾
• 评估手段
  1. 离线评估和在线评估结合，定期做问卷调查
  2. 在线评估 灰度发布&A/B测试50%全量上线
• 信息熵越大，不确定性越高（推荐系统希望熵越大越好 ）

推荐系统的冷启动

• 用户冷启动

  • 尽可能收集用户信息构建用户画像(打标签)
  • 根据用户的标签可以做人群聚类，用以有用户的行为做推
    荐
  • 更多的使用流行度推荐

• 物品冷启动

  • 物品打标签 构建物品画像
  • 基于内容的推荐

• 系统冷启动

  • 如果应用缺少用户行为数据->基于内容的推荐
  • 随着用户行为积累的越来越多->协同过滤
  • 基于内容和协同过滤共同工作

基于内容的推荐

• 给物品打标签
  • 系统自己提取从业务数据库中提取
  • 用户填写
  • 中文分词利用算法计算词的权重
    • tf-idf（tf term frequency 词频、idf inverse document frequency 逆文档频率）
      • tf 词频 文章中出现次数/全文总词数 5/100
      • idf 逆文档频率 log以10为底数，文本库篇数/出现关键词的文章篇数，1000篇中10篇出现python这个词，1000/10=100，idf=log10(100)=2
      • tf-idf = 5/100*2 = 0.1
      • 当每篇文章中都会出现的关键词 ，比如“的”，“我”，idf = 1000/1000 log(1) ，= 0
    • textrank
• 利用标签的文字转换成词向量
  • word2Vec词->向量
  • 用向量来表示语义
  • 如果两个词的词向量相似度比较高，认为这两个词的语义相近
• 利用词向量构建物品的向量
  • 一个物品有N个关键词，每个关键词对应一个词向量
  • 求和（权重*词向量）/ N
  • 利用N个关键词的词向量获取物品向量
• 通过物品向量计算相似度
  • 皮尔逊相关系数 计算物品的相似度

基于内容的推荐 基于物品的协同过滤 区别

• content_base : 词向量->物品向量->计算相似度
• item_base cf : user-item matrix->物品向量->计算相似度
• content_base item_base cf 来源不一样
  • 物品向量构建过程有区别
  • 基于内容的推荐，物品向量文本(物品描述信息，系统填标签，用户填标签)
  • 基于物品的协同过滤，用户对物品的评分矩阵用户的行为数据中来（需要上线一会，统计数据）

K近邻协同过滤

协同过滤代码

• 用户向量物品向量计算相似度，MemoryBased CF
• 之前没有考虑近邻问题而是利用所有正相关用户
• 考虑K近邻只需要按照相似度找到相似度最高的N个用户
• similar_users =self.similar[uid].drop([uid]).dropna().sort_values(ascending=False)[:self.k]

Baseline:基准预测

• 所用物品评分平均值
• 找到每一个用户对物品平均评分的bias bu
• 找到每一个物品对平均分bias bi
• 预测的得分mean+bu+bi u代表第u个用户，i代表第i个物品
• 可以使用梯度下降来优化损失

Model-Based 协同过滤算法

• baseline思想来解决协同过滤问题
  • 计算出所有用户对所有物品评分的平均值
  • 预测的评分 = 在平均值的基础上 + 用户评分偏置 + 物品的评分偏置
  • 求解所有用户的评分偏置 和 所有物品的得分偏置
  • 这个问题可以转化成损失优化的过程
• 梯度下降
• 交替最小二乘法

梯度下降案例

交替最小二乘法案例

矩阵分解

• SVD 奇异值分解
  • 一个大矩阵分成3个小矩阵中间的是一个k方阵
  • SVD只适用于没有缺失必须是稠密矩阵
• Funk SVD
  • 一个大的分成两个小矩阵
  • LFM Latent factor model 隐语义原理
• BiasSVD矩阵分解+ baseline
• SVD++ 矩阵分解+baseline+其它影响(点击，收藏，购买)

矩阵分解案例

基于内容的推荐

• 画像构建给用户/物品打标签（至少50）
  • 物品画像
    • 分类信息
    • 标题
    • 电影/音乐主演、歌手
  • 用户画像
    • 喜好的物品类别 行为偏好
    • 基本人口学属性
    • 活跃程度
    • 风控纬度
• PGC 应用自己生产
• UGC 用户来生成
• 基于内容推荐的算法流程
  • 用户画像/物品画像
  • 匹配用户画像 物品画像
• 物品冷启动问题
  • 画像->词向量->物品向量->计算物品相似度了
  • 从文本描述的角度找相似的物品
  • 当用户在浏览A的时候 通过上述套路找到跟物品A相似的一系列物品

基于内容推荐流程

• 建立物品画像
  • 数据来源：用户打tag 和 电影的分类值
  • 根据tf-idf的结果 为每部电影筛选出top-n（td-idf较大）个关键词
  • 电影id-关键词-关键词权重
• 建立倒排索引
  • 通过关键词找到电影
  • 遍历 电影id-关键词-关键词权重 读取每一个关键词，用关键词作为key [(关键词对应电影id，tfidf)]作为value 保存到dict中
• 用户画像
  • 看用户看过电影（打过分的），到电影的id-关键词-关键词权重数据中 找到所有的关键词
  • 把用户看过的所有关键词 放到一起 统计词频
  • 出现多的关键词 作为用户的兴趣词 实际上就是用户画像的关键词
• 根据用户的兴趣词 找到兴趣词对应的电影 多个兴趣值可能对应一个电影 {电影id：[关键词1权重，关键词2权重]}
  • 把每一个电影对应的关键词权重求和 排序 推荐给用户

基于TF-IDF的特征提取推荐案例

词向量

• 用向量来表示词语可以表示语义层面的含义
• 如果用word2vec模型创建的词向量，两个词向量相似度比较高，说明这两个词是近义词
• 词向量作用把含义相近的判断转换成向量的相似度计算
• 使用gensim Word2Vec模块训练词向量模型
  • sentences = list(movie_profile[‘profile’].values) #准备所有用来训练词向量模型的文本
  • model = gensim.models.Word2Vec(sentences,window=3,min_count = 1,iter = 20) #参数1 文本 参数2 window 观察上下文关系的窗口长度 min_count 训练模型时要保留下的词语出现的频率 iter 迭代次数
• 通过词向量模型找到topn相似词
  • model.wv.most_similar(positive=[‘要找到相似词的词语’],topn = 10)
• 文档向量
  • from gensim.models.doc2vec import Doc2Vec,TaggedDocument
  • documents = [TaggedDocument(words,[movie_id]) for movie_id,words in movie_profile[‘profile’].iteritems()] #训练模型并保存 通过向量来表示一篇文档 一篇文档对应一个电影 向量的相似度代表 电影的相似度
  • model = Doc2Vec(documents,vector_size=100,window=3,min_count=1,workers=4,epochs=20)
  • words = movie_profile[‘profile’].loc[6]
  • inferred_vector = model.infer_vector(words) #传入电影的标签 找到电影文档所对应的向量
  • model.docvecs.most_similar([inferred_vector],topn=10) #找到最相似的n个向量

基于词向量的推荐案例